RAG 系统的优化手段？

一、检索优化

• 分块优化：合理的块大小和重叠。
• Embedding 优化：用更适合的模型，微调。
• 混合检索：向量 + 关键词，提升召回。
• 重排（Rerank）：用 Cross-Encoder 对检索结果重排序，提升精度。
• 查询改写：用 LLM 改写用户问题，提升检索效果。
• 多查询：生成多个相关问题分别检索，合并结果。

二、生成优化

• Prompt 工程：清晰的指令，要求基于上下文回答。
• 上下文压缩：对检索结果做摘要或提取关键句，减少噪声。
• 引用溯源：回答中标注来源，增加可信度。
• 迭代生成：多轮检索 + 生成，处理复杂问题。

三、工程优化

• 缓存：相似问题复用检索结果。
• 异步：索引构建异步，不阻塞查询。
• 降级：检索失败时降级为直接生成或返回无答案。
• 监控：记录查询、检索、生成的质量指标。

四、最新趋势

• GraphRAG：知识图谱增强，处理复杂关系。
• Agentic RAG：用 Agent 决定何时检索、如何检索。
• Self-RAG：模型自己判断是否需要检索。